Nonparametric Estimation of Extropy, Rényi Extropy, and Tsallis Extropy: Almost Sure Convergence and Asymptotic Normality

في عالم الإحصاء ونظرية المعلومات، اعتمد العلماء لفترة طويلة على مفهوم يسمى "الإنتروبيا" (الاعتلاج) لقياس عدم اليقين. فكر في الإنتروبيا كوسيلة لتحديد كمية ما لا نعرفه عما سيحدث لاحقاً. إذا قالت توقعات الطقس إن هناك احتمالاً بنسبة مائة بالمائة لهطول الأمطار، فإن عدم اليقين يكون صفراً؛ أما إذا قالت إن هناك فرصة متساوية لسطوع الشمس أو هطول المطر أو تساقط الثلوج، فإن عدم اليقين يكون مرتفعاً. ولعقود من الزمن، كان هذا المقياس لـ "ما قد يحدث" هو الأداة المعيارية لكل شيء، بدءاً من ضغط البيانات وصولاً إلى تقييم المخاطر المالية. ومع ذلك، هناك نقطة عمياء في هذه الرؤية التقليدية؛ فالإنتروبيا تركز بشدة على الأحداث التي يُحتمل وقوعها، وغالباً ما تتجاهل عدم اليقين الهادئ والمستمر للأشياء التي قد لا تحدث. الأمر يشبه الاستماع إلى غرفة مزدحمة والتركيز فقط على الأصوات الأعلى، مع تجاهل الصمت والهمسات التي قد تحمل أهم القرائن.

ولسد هذه الفجوة، طور الباحثون مقياساً تكميلياً يسمى "الإكستروپيا" (الإنتروبيا الخارجية). وبينما تقيس الإنتروبيا عدم اليقين في النتيجة الفعلية، تقيس الإكستروپيا عدم اليقين في البدائل—أي الأحداث التي لم تحدث. هذا التحول في المنظور أمر بالغ الأهمية في مجالات مثل التمويل والطب والهندسة، حيث يمكن للأحداث النادرة ولكن الكارثية أن تؤدي إلى عواقب وخيمة. فإذا تم تصميم نظام للتعامل مع السيناريوهات الأكثر شيوعاً ولكنه فشل في مراعاة السيناريوهات غير المحتملة، فإنه سيكون عرضة للخطر. تسلط الإكستروپيا الضوء على هذه المخاطر الخفية، مقدمة صورة أكثر اكتمالاً لعدم اليقين من خلال التركيز على "ماذا لو" بدلاً من مجرد "ما سيحدث".

لقد اتخذ باحث، بقيادة أمادو ديادي با من جامعة غاستون بيرجر في السنغال، خطوة كبيرة للأمام لجعل هذا المفهوم قابلاً للاستخدام في المشكلات الواقعية. يركز عملهم على إنشاء طرق موثوقة لحساب الإكستروپيا، بالإضافة إلى نسختين أكثر مرونة منها تُعرفان باسم "إكستروپيا ريني" و"إكستروپيا تاليس". تسمح هذه النسخ للعلماء بضبط حساسيتهم، واختيار التركيز أكثر على الأحداث النادرة أو أكثر على الأحداث الشائعة حسب الموقف. ومع ذلك، كان التحدي يكمن في أنه بينما كانت نظرية الإكستروپيا مفهومة جيداً، فإن القواعد الرياضية لتقديرها من البيانات الحقيقية لم تكن مستقرة تماماً. وبدون هذه القواعد، كان من الصعب معرفة مدى دقة الحساب أو مقدار الثقة التي يمكن وضعها في النتيجة عند العمل مع كمية محدودة من البيانات.

في هذه الدراسة، سعى الباحث لبناء أساس رياضي صلب لهذه التقديرات. لقد طرح سؤالاً جوهرياً: إذا أخذنا عينة من البيانات من نظام ما واستخدمناها لحساب الإكستروپيا، فإلى أي مدى ستكون إجابتنا قريبة من القيمة الحقيقية؟ والأهم من ذلك، عندما نجمع المزيد والمزيد من البيانات، هل يستقر التقدير عند الإجابة الصحيحة، وهل يتبع نمطاً متوقعاً من التباين؟ أثبت الباحث أن الطريقة القياسية لتقدير هذه القيم—وهي ببساطة وضع البيانات المرصودة في الصيغة الرياضية—تعمل بالفعل بشكل مثالي على المدى الطويل. وقد أظهر أننا كلما زادت كمية البيانات، يتقارب التقدير نحو القيمة الحقيقية بيقين مطلق. علاوة على ذلك، أظهر أن الأخطاء في هذه التقديرات تتبع منحنى معيناً يشبه الجرس، وهي نتيجة قوية لأنها تسمح للعلماء بحساب فترات الثقة. وهذا يعني أنه لأول مرة، يمكن للممارسين ليس فقط حساب إكستروپيا النظام، بل أيضاً إلحاق هامش خطأ دقيق بتلك القيمة، مع معرفة مدى موثوقية قياسهم بدقة.

وللتحقق من هذه النتائج النظرية، أجرى الباحث محاكاة حاسوبية واسعة النطاق. فقد قام بتوليد آلاف مجموعات البيانات العشوائية بأحجام متفاوتة، محاكياً سيناريوهات العالم الحقيقي حيث تكون بعض النتالجات شائعة وأخرى نادرة. واختبر التقديرات لإكستروپيا شانون، وكذلك نسختي ريني وتاليس مع إعدادات مختلفة. كانت النتائج واضحة ومتسقة؛ فمع زيادة حجم العينة، اقتربت التقديرات باستمرار من القيم الحقيقية، مما أكد نظرية التقارب. وعندما نظر في توزيع الأخطاء لمجموعات البيانات الكبيرة، شكلت نقاط البيانات منحنى جرسياً مثالياً، تماماً كما توقعت الرياضيات. كما كشفت عمليات المحاكاة عن رؤية عملية: فبينما عملت جميع الطرق بشكل جيد مع كميات كبيرة من البيانات، فإن إكستروپيا شانون القياسية تقاربت بشكل أسرع قليلاً من النسخ الأكثر تعقيداً وقابلية للضبط. بالإضافة إلى ذلك، وجد الباحث أنه عندما يتم ضبط الإعدادات للتركيز على الأحداث النادرة، فإن التقديرات تتطلب مجموعات بيانات أكبر قليلاً لتحقيق نفس المستوى من الدقة، وهي معلومة قيمة لأي شخص يصمم دراسة.

تمتد تداعيات هذا العمل إلى ما هو أبعد من الرياضيات المجردة. فقد طبق الباحث نتائجه على سيناريو تنبؤي، محاكياً موقفاً يحتاج فيه صانع القرار إلى التنبؤ باحتمالية خمس نتائج مختلفة. وأظهر أنه مع حجم عينة يبلغ مائة ملاحظة فقط، تصبح التقديرات مستقرة بما يكفي لتكون مفيدة لاتخاذ القرار العملي. وهذا يمثل عتبة حرجة لمجالات مثل إدارة المحافظ الاستثمارية أو التخطيط للكوارث، حيث يكون انتظار كميات هائلة من البيانات أمراً مستحيلاً في كثير من الأحيان. تسلط الدراسة الضوء على أن الإكستروپيا توفر توازناً ضرورياً للإنتروبيا التقليدية. فبينما قد تشير الإنتروبيا إلى أن النظام يمكن التنبؤ به لأن النتيجة الأكثر احتمالاً واضحة، يمكن للإكستروپيا أن تكشف أن عدم اليقين المحيط بالنتائج الأقل احتمالاً، والتي قد تكون كارثية، لا يزال مرتفعاً. هذا الازدواج يسمح باتخاذ قرارات أكثر قوة، مما يضمن أن الخطط ليست محسنة فقط للحالة المتوسطة، بل هي أيضاً مرنة ضد غير المتوقع.

في الختام، تحول هذا البحث الإكستروپيا من فضول نظري إلى أداة عملية. ومن خلال إثبات أن هذه التقديرات ليست دقيقة فحسب، بل تتبع أيضاً قوانين إحصائية يمكن التنبؤ بها، فتح الباحث الباب أمام اعتمادها على نطاق واسع في تقييم المخاطر، وتعلم الآلة، وهندسة الموثوقية. ويؤكد العمل أنه يمكننا الآن قياس عدم اليقين لما لا يحدث بنفس الصرامة التي طبقناها طويلاً على ما يحدث. وهذه القدرة ضرورية للملاحة في عالم تحمل فيه الأحداث الأكثر ندرة غالباً أثقل العواقب، مما يوفر رؤية أوضح وأكثر صدقاً للمخاطر التي تكمو في ظلال بياناتنا.